AI 来了，制造业数字化为什么仍难落地？
过去几年，制造企业持续投入 ERP、MES、WMS、数据平台以及各种数字化系统建设。但不少企业在项目上线后发现：系统越来越多，数据越来越多，业务改善却没有同步发生。
围绕制造业数字化转型中的真实挑战，本期《35mm·数据帧》邀请前富山精密数字化负责人郑志雁进行深度访谈。拥有 20 多年制造业数字化实践经验的郑志雁，曾参与计划排产、物料管控、品质管理、生产交付等多个领域的数字化建设，并结合多年制造业一线实践，分享企业数字化落地过程中容易遇到的关键问题、实施路径和方法思考。
企业数字化面临的一个关键问题，往往不在于"有没有系统"，而在于数字化是否真正进入业务流程，是否改变了企业的决策方式和管理方式。
正如郑志雁在访谈中提到的，数字化转型本质上不是单纯的技术建设，而是一场管理变革和流程重构。对于制造企业 CIO 而言，真正需要思考的是：如何让数字化投入最终转化为业务价值。
01 制造业数字化为什么总是难落地？
很多企业推进数字化时，第一反应是搭平台、买系统，希望通过技术建设解决业务问题。但实际过程中容易出现系统与业务流程不匹配、系统之间形成数据孤岛、只关注上线而忽略业务改变等问题。
数字化真正成功的标准，不是系统是否运行，而是要看企业的决策和管理方式是否真正改变了。
02 制造企业数字化 第一步应该做什么？
数字化建设不应该从系统开始，而应该从问题开始。
企业需要先梳理业务问题，再明确指标，再选择技术方案。例如生产环节关注计划达成率和交付周期，质量环节关注不良率和返工成本，库存环节关注库存周转率和呆滞库存金额。
优先选择高频发生、重复性强、影响成本交付质量且可以量化价值的场景。
03 数字化项目 先做大工程，还是小场景？
制造企业经常会面临一个选择：是直接建设集团级数字化平台？还是先解决一个具体业务问题？
经实践验证，一个有效的方式通常是"小切口验证，大范围推广"。先通过 90 天验证模式，选择一个明确的场景，验证技术和业务价值，再逐步复制推广。
04 AI 进入制造业 哪些场景值得优先探索？
AI 正在进入制造企业，但企业应用 AI 不能只追逐热点，更重要的是关注实际业务价值。
目前制造业可以优先探索的三个方向：
第一，AI 辅助成本核算。通过图纸识别、数据分析等方式缩短成本计算周期。
第二，AI 辅助质量分析。利用历史质量数据帮助企业发现问题规律，辅助根因分析。
第三，AI 流程协同。通过智能提醒提升采购、生产、交付等环节的协同效率。
需要注意的是，AI 应用的基础仍然是数据。如果数据不准确，AI 很难产生可靠结果。
05 制造企业为什么需要 BI？ 数据如何真正进入经营？
有些企业认为，有了系统报表，就算完成了数字化。但真正的数字化落地，需要数据参与企业的日常经营过程。
过去，会议前需要花大量时间整理 Excel；现在，管理者可以直接通过系统查看经营情况，并基于数据讨论问题。
判断一个数字化项目是否真正落地，可以关注三个变化：
● 决策依据是否改变？
● 日常管理有没有用上？
● 业务流有没有打通？
06 数字化投入如何让老板认可？
数字化项目最大的挑战之一，是价值不像销售项目一样能够直接体现收入。因此，CIO 需要把数字化价值拆解成企业经营语言。
具体可以从四个维度来衡量：
● 效率价值：减少人工处理时间，提高业务效率。
● 成本价值：降低返工、不良和运营成本。
● 库存价值：减少呆滞库存，优化资金占用。
● 管理价值：通过流程透明化发现问题、推动改善。
数字化 ROI 不是不能计算，而是需要从经营指标出发进行量化。
《 CIO 数字化落地检查清单》
1. 启动前
是否明确业务问题？是否有量化指标？是否明确价值目标？
2. 建设中
是否真正匹配业务流程？是否打通关键数据？是否有业务团队参与？
3. 上线后
是否改变决策方式？是否进入日常经营？是否持续优化？
制造业数字化 最终要回到业务价值
对于正在推进数字化转型的制造企业而言，最重要的并不是追求最新技术，而是要找到适合自身业务的落地路径。
● 不要从系统开始，要从问题开始；
● 不要追求一步到位，要从场景验证开始；
● 不要只关注供应商的规模，更要关注对方是否真正理解业务。
AI 时代，制造企业的竞争力不仅来自技术投入，更来自把数据、业务和决策真正连接起来的能力。
想进一步体验 AI+BI 在业务分析中的落地效果，可以从这里开始。
